基于多模态MRI的深度学习框架的开发与验证：用于区分脊柱内肿瘤（ISMF-Net）

《Eating Behaviors》：Development and validation of a multi-modal MRI-based deep learning framework for differentiation of intraspinal tumors (ISMF-Net)

　　构建了覆盖健康与17种肺疾病的最全面单细胞RNA测序图谱，发现Lym-monocytes和T-like B细胞等新型细胞亚群，并通过空间转录组学揭示NSCLC-like SCLC亚群在肺腺癌到小细胞肺癌转化中的关键作用及肿瘤微环境重塑机制。

　　科学家们通过构建一个名为uniLUNG的单细胞RNA测序图谱，揭示了人类肺部在健康和多种疾病状态下的细胞多样性。这一研究整合了62个已发表的数据集，共计约920万细胞，涵盖了来自1807名捐赠者的18种肺部状态，包括健康个体和17种肺部疾病。uniLUNG的构建标志着在肺部生物学研究中的一个重要里程碑，其覆盖范围广泛，为后续的肺部疾病研究提供了坚实的基础。

构建uniLUNG的核心工作之一是开发了一种名为uHAF（通用层次注释框架）的四层细胞分类体系，该框架能够识别122种已知的肺部细胞类型，并提供一个详细的肺部细胞景观。这一框架不仅统一了不同研究中的细胞分类标准，还使得不同疾病状态下的细胞类型能够被系统地比较和分析。通过这种统一的分类体系，研究团队能够识别出一些在特定肺部疾病中富集的细胞亚群，如Lym-monocytes（一种具有淋巴细胞特征的单核细胞）和T-like B cells（一种表现出T细胞特征的B细胞亚群），这些发现有助于理解不同肺部疾病之间的共通性及特异性。

在方法上，研究团队首先收集了来自多个公共数据库和研究的细胞数据，包括GEO、HCL、HCA、HLCA、DISCO、TISCH、LuCA、HTAN、CancerSEA、CancerSCEA、LungMAP、HuBMAP、UCSC Cell Browser和Single Cell Expression Atlas。为了消除不同预处理方法对数据整合的影响，他们选择了提供原始数据矩阵的数据集进行整合。随后，研究团队应用了统一的基因表达矩阵标准化方法，确保所有数据集在基因层面的一致性。通过使用scANVI算法进行数据整合，并结合空间转录组学数据，研究团队能够识别出在肺部疾病转化过程中起关键作用的过渡性细胞亚群。

在结果分析中，研究团队发现，Lym-monocytes和T-like B cells在多种肺部疾病中具有显著的富集趋势，特别是在严重的新冠肺炎病例、肺腺癌（LUAD）和肺鳞状细胞癌（LUSC）患者中。这些细胞亚群的出现与T细胞耗竭密切相关，可能作为免疫系统对疾病的一种补偿机制。此外，研究团队还通过空间转录组学技术，发现了NSCLC-like SCLC（一种具有非小细胞肺癌特征的小细胞肺癌亚群）在非小细胞肺癌向小细胞肺癌转化过程中扮演了重要角色，这种亚群能够显著重塑肿瘤微环境。

在方法学上，研究团队还采用了多种数据整合策略，包括使用CellHint、Combat、Harmony、Scanorama、scVI和scANVI等方法，以评估不同整合方法的性能。通过这些方法，研究团队不仅能够有效消除批次效应，还能保留生物学差异，从而提高数据整合的准确性和可靠性。此外，研究团队还使用了NMF（非负矩阵因子分析）和GO富集分析等方法，对单核细胞和B细胞的亚群进行深入分析，揭示了它们在不同疾病状态下的表达特征和功能变化。

研究团队还通过SCENIC（单细胞增强网络推理）分析了单核细胞和B细胞中的转录因子活动，进一步揭示了这些细胞亚群在疾病发生发展中的潜在作用。例如，在单核细胞中，FOS的广泛活跃以及ETS的特异性上调，表明了它们在淋巴细胞特征中的重要性。而在T-like B细胞中，TFDP1和KLF6的高表达则调节了与T细胞相关的基因表达，这些发现为理解这些细胞亚群的生物学功能提供了新的视角。

在空间转录组学分析方面，研究团队整合了来自LUAD和LUSC患者的肿瘤样本数据，识别出了肿瘤、肿瘤样和正常区域，并进一步分析了NSCLC-like SCLC亚群在这些区域中的分布和表达特征。他们发现，NSCLC-like SCLC亚群在肿瘤微环境中具有独特的空间基因表达模式和细胞间信号传递网络，这可能与其在非小细胞肺癌向小细胞肺癌转化过程中的关键作用有关。通过分析这些亚群的表达动态，研究团队揭示了它们在重塑肿瘤微环境中的作用，包括促进癌细胞的增殖、迁移和获得耐药性。

研究团队还发现，NSCLC-like SCLC亚群的出现与肿瘤微环境中癌相关成纤维细胞（CAFs）的激活和细胞外基质（ECM）的重塑密切相关。这些发现表明，NSCLC-like SCLC亚群可能依赖于特定的肿瘤免疫微环境，该微环境由ECM重塑、CAFs激活和空间变化的免疫背景共同定义。此外，研究团队还观察到，NSCLC-like SCLC亚群在不同肺癌亚型中表现出不同的空间信号特征，如在LUAD样本中，MIF信号从肿瘤细胞向邻近正常组织传递，而在LUSC样本中，MK信号则更为显著。这些信号通路可能在不同的肺癌亚型中发挥不同的作用，影响肿瘤微环境的重塑和癌细胞的恶性转化。

尽管uniLUNG提供了前所未有的数据整合和分析能力，但研究团队也指出了其存在的局限性。例如，目前的数据主要来自欧洲和亚洲人群，缺乏全面的人种代表性；此外，约90.3%的数据来自健康个体和肺癌患者，其他肺部疾病的数据相对较少。这些限制可能影响uniLUNG在全面理解肺部疾病中的应用。为了克服这些局限性，研究团队表示将持续补充新的单细胞转录组学和多模态数据，进一步完善细胞类型注释，并系统性地纳入更多高质量的疾病数据集和标准化的命名体系。

总的来说，uniLUNG的构建不仅为肺部生物学研究提供了重要的资源，还为未来的精准医学研究奠定了基础。通过整合单细胞和空间转录组学数据，研究团队揭示了肺部疾病中的细胞异质性和过渡性细胞亚群，为理解肺部疾病的发生发展机制提供了新的视角。这些发现不仅有助于开发针对肺部疾病的新治疗策略，还为探索肺癌的转化机制和治疗耐药性提供了重要的线索。未来，随着更多数据的积累和分析方法的优化，uniLUNG有望成为肺部疾病研究的重要工具，推动对肺部细胞多样性和疾病机制的更深入理解。